梅科尔工作室英特尔 OpenVINO™ 探索-ColonySight-菌落质检

OpenVINO 中文社区

于 2025-07-02 14:45:50 发布

阅读量770

点赞数 19

CC 4.0 BY-SA版权

文章标签：经验分享

本文链接：https://blog.youkuaiyun.com/OpenVINOCC/article/details/149069780

一、项目背景

菌落检测：是微生物学领域中一项基础且重要的技术，主要用于评估样品中微生物的数量、种类及分布情况。通过菌落检测，可以了解食品、药品、化妆品、环境样品（如水、空气、土壤）以及临床样本中的微生物污染程度，从而判断其卫生质量、安全性或潜在的健康风险。

大部分生物菌落微生物方面研究，都需要进行菌落培养并采集菌落的生长结果和数量来验证实验是否成功并提供数据支撑。

传统菌落检测：

传统的人工菌落计数方法存在显著瓶颈：

耗时费力：实验人员需在显微镜或肉眼下一一辨识、计数，尤其面对高密度菌落时，效率极低。

主观性强：不同人员对菌落边缘判定、粘连菌落分割的标准不一，导致结果差异大。

易疲劳出错：长时间重复性工作易导致视觉疲劳，增加计数误差和遗漏风险。

缺乏高级分析：人工计数通常仅限于数量统计，难以高效进行菌落形态、大小分布、颜色等复杂特征分析。

这些问题直接影响检测效率、结果的准确性和可重复性，成为制约实验室通量与精准度的关键因素。

二、项目简介

我们打造的 ColonySight-菌落质检全息系统，是基于 PaddlePaddle 框架下目标检测模型通过 OpenVINO™ 平台进行模型转化及优化，部署于哪吒派实现菌落快速检测的一款智能菌落检测系统。系统利用高分辨率培养皿图像，构建先进的深度学习算法模型，实现菌落的自动识别、计数与分析。该技术方案在测试中展现出高准确率、高重复性和高检测效率，其处理速度与一致性显著优于传统人工计数方法，可广泛应用于医疗、食品、制药、环保、科研等多个领域的微生物实验室，为质量控制与安全监测提供强有力的智能工具，助力提升检测效率与可靠性。

流程图：

三、项目运行

工具说明

①OpenVINO™ 平台

OpenVINO™ 工具套件是一款开源工具套件，可以缩短延迟，提高吞吐量，加速 AI 推理过程，同时保持精度，缩小模型占用空间，优化硬件使用。它简化了计算机视觉、大型语言模型 (LLM) 和生成式 AI 等领域的 AI 开发和深度学习集成。

②哪吒派

哪吒开发板搭载 Intel N97 处理器，配备 8GB LPDDR5 内存和 64GB eMMC 存储空间，支持 Windows、Linux 两个操作系统，支持高分辨率显示，提供 HDMI 接口使检测结果能更好的展示。

项目构建

①环境搭建：本项目使用 ubuntu 20.04 LTS 系统进行项目部署

1. 部署本系统，进入官网

2. openvino 配置

说明文档：

https://docs.openvino.ai/cn/2022.3/openvino_workflow_zh_CN.html

基础依赖安装：sudo apt-get install libprotobuf-dev protobuf-compiler

输出回显中碰到 Do you want to continue? [Y/n] y

openvino 下载，官网中给出了许多安装方式，可自行安装

②模型转化

本系统采用 paddlepaddle 框架下目标检测模型，模型格式为 onnx，需要转化为 xml 格式

from openvino.runtime import Core, serializeimport os
# 模型输入路径model_path = r"xxxxx"
# 输出目录（确保目录存在）output_dir = r"xxxxx"  # 假设这是你想保存模型的目录os.makedirs(output_dir, exist_ok=True)
# 完整的输出文件路径（添加 .xml 扩展名）output_xml = os.path.join(output_dir, "paddle.xml")  # 明确指定文件名
# 使用新API加载和保存模型core = Core()model = core.read_model(model_path)serialize(model, output_xml)
print(f"模型已成功保存到: {output_xml}")

运行结果：

1. .xml 文件：

作用：.xml 文件是一个文本文件，包含模型的架构或结构信息。它定义了模型的层次结构、层的类型、输入输出尺寸、以及模型中各层的参数配置等。
内容：通常以可读的 XML 格式存储，包含了模型的拓扑结构。

2. .bin 文件：

作用：.bin 文件是一个二进制文件，包含模型的实际权重和偏置等参数。
内容：这些参数是模型在训练过程中学习到的，存储为二进制格式，以便在推理时快速加载和使用。

关系：

互补性：.xml 文件定义了模型的架构，而 .bin 文件包含了模型的实际参数。两者共同作用，才能完整地表示一个模型。
使用：在使用 OpenVINO™ 进行推理时，OpenVINO™ 的运行时环境会同时加载这两个文件，以重建完整的模型。

③模型部署至哪吒派

将模型部署至哪吒派实现端侧推理，对菌落图片实时解析

核心流程总结

输入处理：保持宽高比的中心填充缩放
模型适配：动态处理多类型输入节点（图像+缩放因子）
坐标转换：精准映射检测框回原始图像坐标系
结果优化：基于置信度阈值过滤无效检测
可视化：彩色标注不同菌种并添加图例

以下是关键代码段

# 初始化OpenVINO核心core = ov.Core()
# 加载模型model = core.read_model(model_path)compiled_model = core.compile_model(model, "AUTO")
#主执行流程# 1. 加载图像original_image = cv2.imread(image_path)
# 2. 预处理input_data, preprocess_info = preprocess_image(original_image)
# 3. 执行推理infer_request = compiled_model.create_infer_request()# ...设置输入张量...infer_request.infer()
# 4. 获取输出output_tensor = infer_request.get_output_tensor(0)results = output_tensor.data
# 5. 后处理detections = postprocess_results(results, original_image.shape, preprocess_info)
# 6. 可视化并保存visualize_detections(original_image, detections)

项目运行效果：

拍摄一张菌落图片进行测试，效果如下

前景

本项目的开展能有效解决实验室人工进行菌落统计耗时长，人为误差大，数据难以保持等痛点，同时相较于市面上菌落检测仪在降低成本的基础上提高了检测精度，其简单的界面设计降低对于操作人员的要求，全自动一体化的软硬件结合在解放科研人员的时间和精力的同时结合 Deepseek 模型对菌落进行深入分析，助力菌落知识的科普。

同时根据最新报告，2025 年全球电子菌落计数站（作为菌落计数仪的一种形式）市场规模已达到 68.05 亿元人民币。预计到 2029 年，这一市场规模将增长至 112.14 亿元人民币，年均复合增长率为 6.90%。这表明全球菌落计数仪市场在未来几年内将保持稳定的增长态势。因此本项目全自动菌落计数仪拥有良好的市场前景。

技术升级：迭代模型，优化训练数据，提升理解准确度与专业性；升级系统架构，增强并发处理能力，降低延迟；逐步支持多语言，打破语言障碍。

功能拓展：构建菌落知识图谱，提供拓展信息；定制个性化学习路径，激发学习兴趣；集成菌落识别与分析工具，提供技术支持。

应用深化：深化教育领域合作，融入教学课程；助力科研领域，提供前沿知识与数据整理；拓展农业与工业应用，助力产业升级。

社区建设：搭建用户社区，促进知识共享与交流；邀请专家入驻，提供专业指导与合作研究；整理用户内容，形成知识共享库，扩大影响力。

秉持创新理念，菌落质检系统将不断优化升级，致力于成为菌落领域最具影响力的知识服务平台，推动菌落知识普及与应用，助力产业发展。